هوش مصنوعی (AI) با الهام از مغز انسان طراحی شده است، اما حتی با وجود قابلیتهای چشمگیر مدلهای زبانی بزرگ (LLM)، تفاوتهای شناختی کلیدی بین آنها و مغز زیستی وجود دارد.
یک مطالعه اخیر که در مجله PNAS Nexus منتشر شد، با استفاده از یک آزمون روانشناسی پرکاربرد، نشان داد که محبوبترین مدلهای زبانی، کنترل اجرایی محدودی بر توجه دارند.
این یافته، دریچه جدیدی به سوی درک محدودیتهای شناختی هوش مصنوعی و مسیر بهبود آن میگشاید.
تفاوت بنیادین: توجه در مغز انسان در مقابل هوش مصنوعی
مطالعه حاضر به قلم جین فان و همکارانش تأکید میکند که اگرچه مکانیسمهای خود-توجه در مدلهای زبانی بزرگ (LLM) در پردازش زبان طبیعی انقلابی ایجاد کردهاند، اما فاقد معماری صریحی برای کنترل اجرایی توجه هستند.
این نوع کنترل که در انسان وجود دارد، برای حل تعارضات و انتخاب اطلاعات مرتبط در حضور محاسبات رقیب ضروری است و رفتار سازگارانه را ممکن میسازد.
به بیان سادهتر، مغز انسان میتواند به صورت فعال توجه خود را بر یک هدف خاص متمرکز کند و عوامل حواسپرتی را نادیده بگیرد، در حالی که مدلهای هوش مصنوعی فاقد این سیستم مدیریت فعال و هدفمند هستند.
تاریخچه پژوهشهای توجه: از ویلیام جیمز تا شبکههای مغزی
تحقیقات روانشناسان درباره توجه عمدتاً از اواخر قرن نوزدهم شکل گرفت. ویلیام جیمز، یکی از بنیانگذاران برجسته روانشناسی علمی نوین، در سال ۱۸۹۰ توجه را چنین توصیف کرد: « withdrawing from some things in order to deal effectively with others»، یعنی کنار گذاشتن برخی چیزها برای برخورد مؤثر با دیگران.
او که نیاز به تمرکز و توجه را برجسته میکرد، حالت متضاد آن را حالتی «سرسری و پراکنده» (Zerstreutheit) مینامید که به معنای حواسپرتی و غیاب ذهن است.
یک قرن بعد، در سال ۱۹۹۰، روانشناسان آمریکایی مایکل پوزنر و استیون پترسون پیشنهاد کردند که سیستم توجه از ناحیه پردازش اطلاعات مغز جداست و توسط شبکهای از نواحی آناتومیکی اداره میشود.
آنها سیستم توجه را به سه زیرمجموعه جهتیابی، تشخیص و هشیاری تقسیم کردند. بعدها در سال ۲۰۰۲، آزمون شبکه توجه (ANT) به عنوان روشی برای اندازهگیری هشیاری، جهتیابی و توجه اجرایی معرفی شد.
آزمون استروپ: معیار طلایی برای سنجش توجه اجرایی
برای آزمایش قابلیتهای کنترل اجرایی توجه در مدلهای هوش مصنوعی، تیم تحقیقاتی از معیاری استفاده کرد که به طور کلی به عنوان استاندارد طلایی برای آزمایش عملکرد اجرایی شناخته میشود: آزمون استروپ.
این آزمون در سال ۱۹۳۵ توسط جان استروپ توسعه یافته و شامل خواندن دو فهرست از کلمات رنگی است. در یک فهرست، کلمات با همان رنگ خودشان چاپ شدهاند (مثلاً کلمه «قرمز» به رنگ قرمز نوشته شده) و در فهرست دیگر، کلمات با رنگی متفاوت چاپ شدهاند (مثلاً کلمه «قرمز» به رنگ آبی نوشته شده).
این آزمون توانایی مغز در حل تعارض بین اطلاعات متناقض (رنگ کلمه در مقابل معنای کلمه) را میسنجد.
پژوهشگران مجموعهای از پیشرفتهترین مدلهای زبانی بزرگ را ارزیابی کردند، از جمله GPT-5 و GPT-4o از OpenAI، Claude Opus 4.1، Claude Sonnet 4.5 و Claude 3.5 Sonnet از Anthropic، و Gemini 2.5 Pro از Google.
نتایج تحقیق: ضعف هوش مصنوعی در مدیریت توجه
محققان دریافتند که در فهرستهای کوتاه کلمات (با یک یا پنج کلمه)، عملکرد مدلهای زبانی در سطح عملکرد انسان بود و کنترل اجرایی آنها «کاملاً غایب» نبود.
با این حال، در فهرستهای طولانیتر، دقت عملکرد مدلها به شدت کاهش یافت، برخلاف عملکرد انسان که ثبات بیشتری داشت. این یافته نشان میدهد که هوش مصنوعی در حفظ هدف در طول وظایف طولانیتر دچار مشکل میشود.
پژوهشگران نوشتند: «تخریب تدریجی عملکرد با افزایش طول فهرست توسط این مدلهای زبانی، نشاندهنده شکست در حفظ هدف است، جایی که تقاضاهای طولانی مدت وظیفه، یکپارچگی بازنمایی هدف را رقیق میکند.»
این بدان معناست که وقتی تعداد دادهها یا پیچیدگی کار افزایش مییابد، هوش مصنوعی در حفظ تمرکز اولیه و هدف اصلی وظیفه ناتوان میشود.
پیامدها و مسیر آینده: از تشخیص کمبود تا ساخت هوش مصنوعی بهتر
این کشف با استفاده از آزمونهای کاربردی روانشناسی برای انسان، میتواند به دانشمندان علوم کامپیوتر کمک کند تا این کمبود شناختی هوش مصنوعی را بهبود بخشند. تیم تحقیقاتی تأکید میکند که مسئله صرفاً یک مسئله حافظه نیست.
آنها به توسعهدهندگان هوش مصنوعی توصیه میکنند که مکانیسمهای توجه ترانسفورمر را برای حل تعارض بهینهسازی کنند. پژوهشگران حتی اعلام میکنند که این امر برای دستیابی به هوش مصنوعی عمومی (AGI) حیاتی است.
نتیجهگیری آنها این است که توسعه آینده میتواند از پیادهسازی سیستمهای کنترل اجرایی پیشرفتهتری بهره ببرد. این سیستمهای جدید باید بتوانند تعارضات تصمیمگیری را از طریق پردازش ساختاریافته و هدفمند مدیریت کنند، به جای تکیه صرف بر قابلیتهای حافظه بهبودیافته.
درک اینکه چه چیزی بر توجه انسان و سیستمهای توجه مغز زیستی تأثیر میگذارد، ممکن است به دانشمندان علوم کامپیور امروزی کمک کند تا مدلهای هوش مصنوعی بهتری با قابلیتهای شناختی بهبودیافته طراحی کنند.
جمعبندی
تحقیقات اخیر نشان میدهد که هوش مصنوعی، علیرغم پیشرفتهای چشمگیرش، همچنان در حوزه حیاتی کنترل اجرایی توجه عقبتر از مغز انسان است.
آزمون استروپ به وضوح این ضعف را در مدلهای زبانی بزرگ آشکار کرد: ناتوانی در حفظ هدف و مدیریت توجه در مواجهه با اطلاعات متعدد و پیچیده.
برای پل زدن شکاف بین بازیابی انجمنهای یادگیریشده و استدلال انعطافپذیر و سازگارانهای که نشاندهنده هوش سیال است، تلفیق مکانیسمهای کنترل شناختی اختصاصی در معماریهای هوش مصنوعی یک گام ضروری به نظر میرسد.
این مسیر نه تنها به بهبود عملکرد مدلهای فعلی کمک میکند، بلکه ممکن است کلید دستیابی به هوش مصنوعی عمومی واقعی در آینده باشد.
سوالات متداول
آزمون استروپ چیست و چرا برای آزمایش هوش مصنوعی استفاده شد؟
آزمون استروپ یک معیار استاندارد طلایی در روانشناسی است که توانایی توجه اجرایی و کنترل شناختی را با ایجاد تعارض بین اطلاعات متضاد (مانند رنگ کلمه در مقابل معنای آن) میسنجد. از آنجا که این آزمون به خوبی قابلیت مدیریت توجه و حل تعارض در انسان را ارزیابی میکند، ابزار مناسبی برای سنجش همین قابلیت در مدلهای هوش مصنوعی بود.
آیا هوش مصنوعی در توجه کاملاً ناتوان است؟
خیر. تحقیقات نشان داد در وظایف بسیار کوتاه، عملکرد مدلهای زبانی در سطح قابل قبولی بود. اما مشکل اصلی در حفظ توجه و هدف در طول وظایف طولانیتر و پیچیدهتر است که دقت آنها را به شدت کاهش میدهد.
تفاوت هوش سیال و هوش متبلور چیست و چه ارتباطی با هوش مصنوعی دارد؟
هوش سیال توانایی استدلال و حل مسائل جدید و منطقی بدون تکیه بر دانش قبلی است، در حالی که هوش متبلور به دانش و مهارتهای اکتسابی اشاره دارد. تحقیقات نشان میدهد کنترل شناختی با هوش سیال همبستگی قویتری دارد. مدلهای زبانی بزرگ هم در بازیابی اطلاعات (مانند هوش متبلور) قوی هستند، اما در استدلال انعطافپذیر و سازگارانه (مانند هوش سیال) ضعیفاند.
آیا حل این مشکل برای دستیابی به هوش مصنوعی عمومی (AGI) ضروری است؟
بله، پژوهشگران تأکید میکنند که توسعه سیستمهای کنترل اجرایی پیشرفتهتر که بتوانند تعارضات تصمیمگیری را مدیریت کنند، برای دستیابی به هوش مصنوعی عمومی حیاتی است. بدون توانایی مدیریت فعال توجه و حفظ هدف در مواجهه با پیچیدگی، هوش مصنوعی نمیتواند به سطح استدلال سازگارانه و مناسب رفتار انسانی برسد.
مغز در برابر ماشین – چرا هوش مصنوعی در کنترل توجه از انسان عقبتر است؟
1. هوش مصنوعی و آینده رواندرمانی: فرصتها و چالشها
2. آیا هوش مصنوعی ما را بیادبتر میکند؟
3. هوش مصنوعی افکارتان را تمام میکند؛ پس چه بر سر تفکر شما میآید؟
4. هوش مصنوعی: دوست یا دشمن؟ پاسخ به خودتان بستگی دارد!
5. آیا میتوانید عاشق یک ربات چت هوش مصنوعی شوید؟
6. چگونه مدیتیشن پیشرفته میتواند آگاهی و حس خود را تغییر دهد؟ | اپیزود 40
7. درمان در عصر هوش مصنوعی: چه اقداماتی میتوانیم انجام دهیم؟
